Modelo de red neuronal para la estimación de esfuerzo de desarrollo de software
Páginas: 7 (1542 palabras)
Publicado: 10 de octubre de 2010
Modelo de red neuronal para la estimación de esfuerzo de desarrollo de software
Resumen
El artículo esta relacionado a la estimación de esfuerzo al desarrollar un producto software basado en redes neuronales, el modelo es desarrollado para optimizar el modelo COCOMO. Se propone usar redes neuronales multi capa. La red es entrenada con el algoritmo de backpropagation, se utilizan datos deCOCOMO para entrenar y probar los resultado. Los resultados preliminares sugieren que la red neuronal propuesta es más exacta que el modelo COCOMO.
1. Introducción
La estimación precisa de costo es indispensable para los proyectos de desarrollo de software. El objetivo es desarrollar un modelo más exacto que COCOMO (Modelo constructivo de costes), este modelo es el algoritmo mas usado en laestimación de costo por su simplicidad en la estimación personas-meses para diferentes etapas del proyecto. Usa fórmulas matemáticas. Se han realizado muchas investigaciones utilizando redes neuronales artificiales.
La arquitectura comúnmente utilizada es la multicapa con feedforward con el algoritmo de aprendizaje backpropagation, la desventaja es la lenta convergencia. La razón es la funciónsigma utilizada en las capas intermedias y la de salida. Una red con esta función es más sensible a la pérdida de parámetros. También influye la inapropiada selección de patrones y reglas de aprendizaje. El número de capas y nodos debe ser reducido al máximo para mejorar el rendimiento. Para mejor esto se propone el uso de una red neuronal concisa con una función de activación lineal.
2.Estado del Arte.
Jorgensen realizó un estudio que muestra una revisión detallada de los diferentes estudios realizados para la estimación de esfuerzo. Las redes neuronales tienen la capacidad de aprender y son buenas en el modelado de las relaciones complejas no lineales, proveen mayor flexibilidad para integrar el conocimiento del experto en el modelo. Las redes neuronales propuestas se puedenagrupar en 2 categorías. La primera con feedforward que no considera bucles en la ruta de la red. La otra es la red con backpropagation con bucles repetitivos. Otro estudio de Samsom et al. Utiliza un Albus multicapas para predecir el esfuerzo. Srinivasan and Fisher usan una red neuronal con algoritmo de aprendizaje de backpropagation, esta técnica es mejor que otras.
Karunanithi et al. enuno de sus primeros trabajos produjo resultados muy precisos, el logro se debió a la gran cantidad de datos usados en el entrenamiento. Nasser Tadayon ha propuesto una red neuronal dinámica que utiliza el modelo COCOMO II, sin embargo tiene algunas limitaciones, no trabaja bien si tiene información inexacta e imprecisa.
3. Propuesta del modelo de red neuronal
A. Formulación del problema
Lared neuronal depende de su arquitectura y la configuración de sus parámetros. Los parámetros importantes de una red neuronal son: el en número de capas y los nodos, la función de transferencia en cada nodo y pesos del algoritmo de aprendizaje que determinan la conectividad entre nodos.
Por otra parte, la selección inadecuada de patrones de red y reglas de aprendizaje puede provocar seriasdificultades en el rendimiento y entrenamiento de la red. El problema también radica en el mínimo número de nodos por capa que no perjudiquen el rendimiento de la red así como el uso de la memoria para almacenar los pesos al mínimo.
B. Ajuste de COCOMO
In order to make the best use of this kind ofCon el fin de hacer el mejor uso delexpert knowledge, it is worthwhile to integrate the conocimientode un experto, vale la pena integrar elalgorithmic model into the present neural network model. modelo del algoritmo COCOMO con la red neuronal propuesta. La Calibrating the parameters of algorithmic models iscalibración de los parámetros del algoritmousually is very challenging task. es una tarea muy desafiante. El modelo COCOMO II tiene la siguiente forma:
[pic]
Donde:
A es la constante...
Resumen
El artículo esta relacionado a la estimación de esfuerzo al desarrollar un producto software basado en redes neuronales, el modelo es desarrollado para optimizar el modelo COCOMO. Se propone usar redes neuronales multi capa. La red es entrenada con el algoritmo de backpropagation, se utilizan datos deCOCOMO para entrenar y probar los resultado. Los resultados preliminares sugieren que la red neuronal propuesta es más exacta que el modelo COCOMO.
1. Introducción
La estimación precisa de costo es indispensable para los proyectos de desarrollo de software. El objetivo es desarrollar un modelo más exacto que COCOMO (Modelo constructivo de costes), este modelo es el algoritmo mas usado en laestimación de costo por su simplicidad en la estimación personas-meses para diferentes etapas del proyecto. Usa fórmulas matemáticas. Se han realizado muchas investigaciones utilizando redes neuronales artificiales.
La arquitectura comúnmente utilizada es la multicapa con feedforward con el algoritmo de aprendizaje backpropagation, la desventaja es la lenta convergencia. La razón es la funciónsigma utilizada en las capas intermedias y la de salida. Una red con esta función es más sensible a la pérdida de parámetros. También influye la inapropiada selección de patrones y reglas de aprendizaje. El número de capas y nodos debe ser reducido al máximo para mejorar el rendimiento. Para mejor esto se propone el uso de una red neuronal concisa con una función de activación lineal.
2.Estado del Arte.
Jorgensen realizó un estudio que muestra una revisión detallada de los diferentes estudios realizados para la estimación de esfuerzo. Las redes neuronales tienen la capacidad de aprender y son buenas en el modelado de las relaciones complejas no lineales, proveen mayor flexibilidad para integrar el conocimiento del experto en el modelo. Las redes neuronales propuestas se puedenagrupar en 2 categorías. La primera con feedforward que no considera bucles en la ruta de la red. La otra es la red con backpropagation con bucles repetitivos. Otro estudio de Samsom et al. Utiliza un Albus multicapas para predecir el esfuerzo. Srinivasan and Fisher usan una red neuronal con algoritmo de aprendizaje de backpropagation, esta técnica es mejor que otras.
Karunanithi et al. enuno de sus primeros trabajos produjo resultados muy precisos, el logro se debió a la gran cantidad de datos usados en el entrenamiento. Nasser Tadayon ha propuesto una red neuronal dinámica que utiliza el modelo COCOMO II, sin embargo tiene algunas limitaciones, no trabaja bien si tiene información inexacta e imprecisa.
3. Propuesta del modelo de red neuronal
A. Formulación del problema
Lared neuronal depende de su arquitectura y la configuración de sus parámetros. Los parámetros importantes de una red neuronal son: el en número de capas y los nodos, la función de transferencia en cada nodo y pesos del algoritmo de aprendizaje que determinan la conectividad entre nodos.
Por otra parte, la selección inadecuada de patrones de red y reglas de aprendizaje puede provocar seriasdificultades en el rendimiento y entrenamiento de la red. El problema también radica en el mínimo número de nodos por capa que no perjudiquen el rendimiento de la red así como el uso de la memoria para almacenar los pesos al mínimo.
B. Ajuste de COCOMO
In order to make the best use of this kind ofCon el fin de hacer el mejor uso delexpert knowledge, it is worthwhile to integrate the conocimientode un experto, vale la pena integrar elalgorithmic model into the present neural network model. modelo del algoritmo COCOMO con la red neuronal propuesta. La Calibrating the parameters of algorithmic models iscalibración de los parámetros del algoritmousually is very challenging task. es una tarea muy desafiante. El modelo COCOMO II tiene la siguiente forma:
[pic]
Donde:
A es la constante...
Leer documento completo
Regístrate para leer el documento completo.